KeyFrame內部研究專用

诺奖得主阿西莫格鲁:AI应成为提升人类生产力的工具​ | 诺贝尔经济学奖 | AI替代人工 | 赋能劳动者AI | 智能体 | AGI | AI应用落地 | 锯齿状前沿 | 人机协作 | 高质量数据

Best Partners TV中文
觀看原始影片

三句話摘要

諾貝爾經濟學家阿西莫格魯談AI:單純用AI替代員工是糟糕決策,真正商機在應用和數據,企業應該賦能員工而非裁員。 AI的真正價值不在替代人而在賦能人;真正的商機在應用和數據而非基礎模型;企業當下的選擇決定了財富是共享繁榮還是集中失業。 自動化實現遠比預想困難。編程進展快因有明確對錯標準、完全室內進行、監督者具備技術知識;客服等領域涉及複雜社會屬性、需求變化無常,AI應是人的助手而非替代者,這決定了崗位替代數量和收益分配。

重點整理

  1. 自動化實現遠比預想困難。編程進展快因有明確對錯標準、完全室內進行、監督者具備技術知識;客服等領域涉及複雜社會屬性、需求變化無常,AI應是人的助手而非替代者,這決定了崗位替代數量和收益分配。

  2. AI對經濟實際影響未顯現,瓶頸在整合與應用。美國科技業過度強調基礎模型、工程人才全扑其上;中國企業卻積極整合AI進生產線,投入大量工程資源。即使去年的模型已足以完成當前可做的大多數工作。

  3. 應採平衡策略,既自動化也創造新工作。削減5%成本不如全員生產力升5%;只有持續創新、開創新市場的公司才能載入史冊,競爭對手賦能員工時自己單純裁員,差距只會越拉越大。

  4. 真正危險不在超級智能,而在社會失去能動性。教育系統應從初中教與AI協同技能、強調公民責任;媒體在神聖化和妖魔化兩極搖擺,忽視理性探討空間;從業者需要道德指南針,就像基因編輯的倫理準則。

實用技巧與重點

  • 預測數字:AI對美國GDP十年貢獻1%;可完全自動化任務5%(可能上調但保守)
  • 模型工具:ChatGPT 3.5、ChatGPT 4;開源模型無法複製高質量應用
  • 企業案例:富士康、比亞迪等電動車製造商高度整合機器人與AI
  • 成本效益對比:100人團隊——方案一自動化5%工作、成本減半 vs 方案二全員生產力升5%(後者收益遠大)
  • 應用領域:品質控制、護士輔助、電工助手、客服支援、科學家協助
  • 學習重點:數學、物理、經濟學、工程學;AI協同技能;灰色地帶判斷
  • 關鍵資源:高質量數據、一線員工隱性知識、合理薪酬補償
  • 實施現實:自動化需數年大量工作深度整合業務流程;中國經驗證明需工程師遠超預期

結論

AI的真正價值不在替代人而在賦能人;真正的商機在應用和數據而非基礎模型;企業當下的選擇決定了財富是共享繁榮還是集中失業。

完整解析

這場訪談的核心是一個簡單卻被忽視的問題:企業到底該用AI替代人還是賦能人?阿西莫格魯從經濟學基本面切入,用數字說話。他2024年的判斷是AI將為美國GDP帶來約1%的十年增長,僅5%的任務可被完全自動化。如今時隔兩年,雖然AI能力顯著進步,但他認為不確定性反而增加,預測可能稍作上調但仍相對保守。關鍵理由是自動化本身困難,把自動化整合進組織更難;歷史經驗表明技術大規模普及向來又慢又費劲。

編程被普遍認為是AI應該最先攻克的領域,確實進展最快。但這恰好說明了為什麼自動化難以複製。編程之所以特殊,因為它符合三個條件:完全在辦公室進行、監督者本身具備技術知識、有絕對的對錯標準(代碼能跑或不能跑)。客服本來被預言會首先消失,實際進展卻困難重重——因為它涉及複雜的社會屬性,客戶需求隨時變化,不同人描述同一問題的方式完全不同,充滿灰色地帶。在阿西莫格魯接觸的大多數組織中,AI客服系統糟糕得像噩夢,打進去聽到AI接線就知道還得再等10分鐘才能找到真正能解決問題的人。這說明AI應該是人的得力助手,深度協作,而不是替代者。這個發展方向的選擇直接決定了多少崗位被取代、生產力提升多少、收益歸誰。

令人困惑的現象是,AI能力進步如此迅速,為什麼對經濟的實際影響到現在還看不見?阿西莫格魯認為這不是能力問題,而是整合問題。美國科技業過度強調基礎模型開發,工程人才幾乎全部投入其中;相比之下,中國企業(如富士康、比亞迪等電動車製造商)正積極地把機器人技術和AI整合進生產線,投入大量工程資源。這種對比說明真正的戰場在應用層。他甚至指出,即使使用去年的模型,也足以完成當今能做的大多數工作。瓶頸不在模型能力,而在應用開發。

他對硅谷的「必然論」提出了尖銳批評——盲目堅信眼下的做法是唯一正確道路。他強調,所有通用目的技術(如電力、印刷機)都有多條發展路徑,各自的成本、收益、社會影響都不同。認定現在這條路是必然最優的做法本身就是個錯誤。企業家應該把目光投向被忽視的利基市場——那些過去20年沒被自動化、可能還在用紙筆的業務。電工現在嚴重短缺,連基本任務也要等3週才能上門;護士面臨美國醫療系統的瓶頸,醫療支出幾乎佔了GDP的五分之一。在現有模型基礎上構建針對這些領域的應用,完全可行。

他還用簡單的經濟學說服企業思考不同的道路。假設你有100名員工,面臨兩個選擇:自動化5%的工作並把成本降低一半,或是讓所有員工的生產力都提升5%。顯然第二個方案帶來的收益大得多。而且當競爭對手在賦能員工、提升生產力時,你還在單純裁員,生產力差距只會越拉越大。歷史上載入史冊的企業——福特、通用、IBM、微軟——都不是因為削減成本,而是因為持續創新、開創新市場。

在教育上,他認為大學應該存在但必須改革。大學的問題是準備工作不足,初中和高中的落差更大。AI現在已在K-12教育中造成了災難,因為在完全沒有護欄的情況下盲目推進。學生應該學數學、物理、經濟學、工程學——因為真正的AGI不會馬上到來,人類創造力比以往任何時候都更寶貴,但創造力必須建立在堅實的基礎之上。教育需要從初中開始教與AI協同工作的技能,更重要的是強調公民責任和社區意識。他對媒體的批評最為尖銳:十年來,媒體要麼神聖化馬斯克等人物、不容置疑,要麼把AI妖魔化成殺人機器;中間那塊理性探討的空間被完全忽視。

關於投資機會,他看不出基礎模型能創造數萬億美元的價值,瓶頸在於開發和推廣成本,且開源模型也會表現出色。真正的商機在高質量數據和創意應用。如果你的企業擁有海量數據,要精心培育、利用它們,同時為產生這些數據的員工提供合理補償——既是公平之舉,更是明智的商業決策。應用層如果真正創意、填補細分市場空白,開源模型很難複製。開發應用還需深入一線,許多隱性知識攥在員工手裡,坐在辦公室對著電腦無法憑空想出什麼。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。